Florian Crouau
Jérémie Maire, Stéphane Chevalier, Jean-Luc Battaglia
I2M, Université de Bordeaux
Slides via the QR code
or at https://floriancr.github.io/presentation-journeetrefle
2026-01-30
Importance de la résolution en imagerie IR : Cas d’images satellites

Super-résolution :
Comment aller chercher de l’information plus petite échelle que ce que permet le capteur ?
Mesures point à point :
✓ Distance entre mesures choisie
✗ Temps d’acquisition

Sous-échantillonnage :
Comment diminuer le nombre d’acquisition de mesures point à point sans (trop) dégrader l’image résultante ?
y = Ш_{\Delta\vec{x}}(((x\cdot\phi)\otimes h)) + \epsilon
Hypothèses du théorème d’échantillonnage
Hypothèses du Compressive Sensing
Exemples d’applications du Compressive Sensing :
Nombre de points divisé par 14 : ~1h devient ~5min
20 \times 20 \rightarrow 80 \times 80

16 \times 16 \rightarrow 32 \times 32
Le Compressive Sensing permet la reconstruction de signaux avec un minimm de mesures.
En imagerie thermique il permet de :
Présentation en html faite avec :
Éléments non-FOSS :
Les + du format :
Les - :
Journée TREFLE: Super-résolution et Compressive Sensing